有過程式設計經驗的朋友都知道，想要學習一門技術最簡單、最有效、最快速的方法就是programming。在機器學習領域，家喻戶曉的，從零開始的學習框架可能非scikit-learn莫屬了，本部落格將通過一些列的文章來記錄我學習實踐scikit-learn的整個過程。ps:由於個人工作暫時並不涉及機器學習，而我本人也是剛剛開始不久，因此進度不會太快，有興趣的同學可以一起學習實踐，也歡迎大家交流。
  scikit-learn同其他許多開源軟體一樣，由開源社群成員自由維護，由於維護成本限制，相比其他機器學習框架，scikit-learn的策略相對比較保守。一是Scikit-learn從來不做除機器學習領域之外的其他擴充套件，二是Scikit-learn從來不採用未經廣泛驗證的演算法。

Scikit-learn六大功能：

分類，迴歸，聚類，資料降維，模型選擇和資料預處理

分類：

  scikit-learn分類演算法主要包括：支援向量機（SVM），最近鄰，邏輯迴歸，隨機森林，決策樹以及多層感知器（MLP）神經網路等等。

迴歸：

  scikit-learn迴歸演算法主要包括：支援向量迴歸（SVR），脊迴歸，Lasso迴歸，彈性網路（Elastic Net），最小角迴歸（LARS ），貝葉斯迴歸。

聚類：

  scikit-learn聚類演算法主要包括：K-均值聚類，譜聚類，均值偏移，分層聚類，DBSCAN聚類等。

資料降維：

  scikit-learn資料降維主要是通過主成分分析（PCA）、非負矩陣分解（NMF）或特徵選擇等降維技術來減少要考慮的隨機變數的個數。

模型選擇：

  模型選擇是指對於給定引數和模型的比較、驗證和選擇，其主要目的是通過引數調整來提升精度。目前Scikit-learn實現的模組包括：格點搜尋，交叉驗證和各種針對預測誤差評估的度量函式。

資料預處理：

  資料預處理是指資料的特徵提取和歸一化，是機器學習過程中的第一個也是最重要的一個環節。

  scikit-learn是入門利器，同時也是真正的利器，廣泛應用於資料探勘等領域，關於其功能的選擇和使用，scikit-learn官方提供瞭如下參考：

歡迎大家關注微信公眾號“翰墨知道”獲取最新更新。